Hugging Face مدل گفتار Phonon را برای اجرا روی دستگاه عرضه کرد

Hugging Face می‌گوید مدل تبدیل متن به گفتار Phonon روی گوشی، لپ‌تاپ، رایانه‌های تک‌بردی و حتی در مرورگر اجرا می‌شود و برای کار به سرور یا اتصال شبکه نیاز ندارد؛ در نتیجه متن واردشده روی دستگاه می‌ماند. وزن‌های مدل نیز منتشر شده‌اند.

Phonon در دو اندازهٔ حدود ۶۵ و ۷۵ مگابایت عرضه شده و در مجموع از انگلیسی، فرانسوی، آلمانی، اسپانیایی و پرتغالی پشتیبانی می‌کند. این مدل بیش از ۱۰۰ صدای داخلی دارد و امکان ساخت صدای سفارشی از راه voice cloning و voice design در Gradium Studio فراهم است. به‌گفتهٔ Hugging Face، Phonon با مواردی مانند شماره تلفن، تاریخ و کدها نیز کار می‌کند.

این مدل بر پایهٔ مسیر توسعهٔ Pocket TTS ساخته شده و برای تولید صدا از روش flow matching استفاده می‌کند. Hugging Face می‌گوید آموزش مدل در ابتدا از نظر عددی ناپایدار بود و برای رسیدن به نتیجهٔ باکیفیت در هر پنج زبان، به چند ترفند نیاز داشت. این شرکت همچنین اعلام کرده پس از معرفی Phonon در آوریل، طی شش ماه با شرکا و کاربران اولیه روی آن کار کرده و در این مدت مدل‌ها را کوچک‌تر کرده و زبان‌ها و قابلیت‌های صدای سفارشی را افزوده است.

مجوزها بسته به نسخه فرق می‌کنند: Phonon 31m که انگلیسی را پوشش می‌دهد، با مجوز Apache 2.0 منتشر شده و برای استفادهٔ تجاری هم آزاد است. نسخه‌های دیگر تحت CC BY-NC قرار دارند و استفادهٔ تجاری از آن‌ها مشمول هزینه‌ای است که، به‌گفتهٔ شرکت، بر اساس تعداد کاربران محاسبه می‌شود. متن منبع به نتیجهٔ Phonon در Open TTS Leaderboard اشاره می‌کند، اما جزئیات رتبه یا امتیاز آن را ارائه نمی‌دهد.